CN107341272A - 一种推送方法、装置和电子设备 - Google Patents
一种推送方法、装置和电子设备 Download PDFInfo
- Publication number
- CN107341272A CN107341272A CN201710743259.9A CN201710743259A CN107341272A CN 107341272 A CN107341272 A CN 107341272A CN 201710743259 A CN201710743259 A CN 201710743259A CN 107341272 A CN107341272 A CN 107341272A
- Authority
- CN
- China
- Prior art keywords
- user
- business object
- module
- characteristic information
- targeted customer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种推送方法、装置和电子设备,其中,所述方法应用于视频播放平台,包括:依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息;依据所述业务对象日志为用户添加业务标记;采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象;进而采用目标模型匹配出用于推送业务对象的目标用户,提高了推送业务对象的准确性,节约了资源。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种推送方法、一种推送装置和一种电子设备。
背景技术
随着互联网技术的发展,各种视频播放平台层出不穷,以为用户提供视频播放服务;其中,视频播放平台包括多种类型的业务对象,例如剧集视频、电影视频、新闻视频、以及广告视频等等。
通常,视频播放平台会向该视频播放平台全部用户推送业务对象,但存在部分用户是不会观看该业务对象,从而导致了资源浪费。
发明内容
本发明实施例所要解决的技术问题是提供一种推送方法,以提高业务对应推送的准确性。
相应的,本发明实施例还提供了一种推送装置和电子设备,用以保证上述方法的实现及应用。
为了解决上述问题,本发明公开了一种推送方法,应用于视频播放平台,具体包括:依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息;依据所述业务对象日志为用户添加业务标记;采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。
可选地,所述业务标记包括正样本标记和负样本标记,依据所述业务对象日志为用户添加业务标记的步骤,包括:依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数;以及获取预设时间段内用户观看所述业务对象的第二次数;判断所述第二次数与第一次数的比值是否超过阈值;若超过,则为用户添加正样本标记;若未超过,则为用户添加负样本标记。
可选地,依据所述目标模型获取目标用户的步骤,包括:依次将各用户的特征信息输入至所述目标模型中,计算各用户观看所述业务对象的概率;依据各用户观看所述业务对象的概率获取目标用户。
可选地,依据各用户观看所述业务对象的概率获取目标用户的步骤,包括:依据所述概率对所述视频播放平台的用户进行排序;将概率最大的前N位所述视频播放平台的用户设置为目标用户。
可选地,采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型的步骤,包括:依据预设规则对各用户的特征信息和对应的业务标记进行处理;将各用户处理后的特征信息和对应的业务标记分别输入至逻辑回归模型中,得到各用户对应的逻辑回归模型;依据各用户对应的逻辑回归模型,获取目标模型。
本发明还公开了一种推送装置,应用于视频播放平台,具体包括:提取模块,用于依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息;添加模块,用于依据所述业务对象日志为用户添加业务标记;训练模块,用于采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;获取模块,用于依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。
可选地,所述业务标记包括正样本标记和负样本标记,
所述添加模块,具体用于依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数;以及获取预设时间段内用户观看所述业务对象的第二次数;判断所述第二次数与第一次数的比值是否超过阈值;若超过,则为用户添加正样本标记;若未超过,则为用户添加负样本标记。
可选地,所述获取模块包括:
计算子模块,用于依次将各用户的特征信息输入至所述目标模型中,计算各用户观看所述业务对象的概率;
用户获取子模块,用于依据各用户观看所述业务对象的概率,获取目标用户。
可选地,所述用户获取子模块,具体用于依据所述概率对所述视频播放平台的用户进行排序;将概率最大的前N位所述视频播放平台的用户设置为目标用户。
可选地,所述训练模块,具体用户依据预设规则对各用户的特征信息和对应的业务标记进行处理;将各用户处理后的特征信息和对应的业务标记分别输入至逻辑回归模型中,得到各用户对应的逻辑回归模型;依据各用户对应的逻辑回归模型,获取目标模型。
一种电子设备,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行本发明实施例所述的推送方法。
一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本发明实施例所述的推送方法。
与现有技术相比,本发明实施例包括以下优点:
本发明实施例依据所述视频播放平台中的用户信息和业务对象日志,提取用户的特征信息,以及依据所述业务对象日志为用户添加业务标记;进而采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;然后再依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。本发明实施例依据视频播放平台中用户的特征信息和对应的业务标记得到目标模型,进而采用目标模型匹配出用于推送业务对象的目标用户,提高了推送业务对象的准确性,节约了资源。
附图说明
图1是本发明的一种推送方法实施例的步骤流程图;
图2是本发明的又一种推送方法实施例的步骤流程图;
图3是本发明的一种推送装置实施例的结构框图;
图4是本发明的另一种推送装置实施例的结构框图;
图5是本申请根据一示例性实施例示出的一种用于推送的电子设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例的构思之一是,依据视频播放平台中用户的特征信息和对应的业务标记,得到目标模型,进而采用目标模型匹配出用于推送业务对象的目标用户,提高了推送业务对象的准确性,节约了资源,同时提升了用户体验。
本发明实施例提供的推送方法,应用于视频播放平台,所述视频播放平台可为用户提供视频的点播、直播服务,以使用户可通过所述视频播放平台观看视频;当然,所述视频播放平台还可以支持视频的下载和上传等。所述推送方法是所述视频播放平台推送业务对象的方法,所述业务对象是指所述视频播放平台中视频,任意一个视频可作为一个业务对象。
参照图1,示出了本发明的一种推送方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101、依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息。
本发明实施例中,可预先获取所述视频播放平台中用户的用户信息和业务对象日志,所述用户信息和业务对象日志均分别包括多个特征;其中,所述用户信息是指与用户相关的信息,可包括用于描述用户属性的特征如性别、年龄、账户等级等等,也可包括用于描述用户喜好的特征,如用户喜欢的影视人物、用户喜欢的业务对象的类型等等。所述业务对象日志是指视频播放服务器中与业务对象相关的记录,根据所述业务对象可确定与业务对象相关的信息,如业务对象播放的次数、业务对象各次播放的区域等等。然后从所述用户信息和业务对象日志中,提取各个特征的值,再依据各特征的值生成用户的特征信息;例如:需要提取特征值的特征有年龄、性别、喜爱的明星、喜欢的电影类型、业务对象的播放次数、业务对象的观看次数、业务对象播放的密集时间段,则用户的特征信息为:20、女、张三、动作片、100、30、20:00-23:00。本发明实施例中,用于提取用户特征信息的用户,可以是所述视频播放平台的全部用户,也可以是所述视频播放平台的部分用户,可按照需求设置。
步骤102、依据所述业务对象日志为用户添加业务标记。
步骤103、采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型。
逻辑回归(Logistic Regression,LR)模型,具有预测较为准确、训练快、实现简单等特点;因此本发明实施例可通过采用获取的数据对逻辑回归模型的训练,快速得到目标模型。其中,训练所述逻辑回归模型的数据除了用户的特征信息外,还需要用户的业务标记。本发明实施例中,可依据所述业务对象日志为用户添加用户业务标记,具体的,可依据业务对象日志,确定用户对业务对象的观看情况,进而依据用户对业务对象的观看情况,为用户添加业务标记;例如:若确定用户观看业务对象的频率高,则为用户添加业务标记:“高”,若确定用户观看业务对应的频率低,则为用户添加业务标记:“低”。
本发明实施例在完成获取各用户的特征信息,以及为各用户添加业务标记后,可采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;具体的,由于用户的特征信息包括数值和字符串,业务标记是字符串或数值,因此为了便于模型的训练,可分别对特征信息和业务标记进行数值化处理,即将特征信息的字符串和业务标记的字符串转化为数值,例如,将特征信息的字符串和业务标记的字符串,分别按照一定的规则进行映射,映射为对应的数值。待每个用户的特征信息和业务标记处理完成后,可将各用户处理后的特征信息和对应的业务标记,依次输入至逻辑回归模型中,对逻辑回归模型进行训练,进而确定目标模型。
步骤104、依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。
本发明实施例是通过对逻辑回归模型的训练,得到目标模型的,因此,所述目标模型也是逻辑回归模型,即可采用目标模型计算用户观看业务对应的概率;因此可依据目标模型确定各用户观看业务对象的概率,进而依据各用户观看业务对应的概率,从所述视频播放平台用的户中确定目标用户。进而视频播放平台可向所述目标用户推送所述业务对象,即对于目标用户,可播放所述业务对象。
本发明的一个示例中,所述业务对象为广告视频,广告视频可用于展示的一款或多款商品,即商品广告,所述商品广告的信息中可以包括一个或多个商品信息,比如商品属性,例如商品图像、商品名称、商品价格、商品描述、商品的型号、或商品的参数等等。所述广告视频可在播放其他类型视频(剧集视频、电影视频等)之前播放,其播放方式是在所述广告视频播放固定时长(如5s)后,用户可选择“跳过”广告视频,即可直接观看其他类型视频;若用户在一定时间(如20s)内未跳过该广告视频,则确定用户观看了该广告视频;若在一定时间(如20s)内跳过了该广告视频,则确定用户跳过了该广告视频。而针对发布广告视频的商家而言,只需为被用户观看过的广告视频的支付费用,因此提高推送广告视频的准确性,可节约视频播放平台的资源。针对每一个广告视频,视频播放平台推送该广告视频的具体方法如下:视频播放平台包括1000个用户,若需要提取特征信息的特征为:年龄、性别、喜爱的明星、区域、观看广告的次数和跳过广告的次数;则可依据这1000个用户对应的用户信息,和,这1000个用户对应的广告日志,分别为这1000个用户提取特征信息。然后依据各用户的广告日志,分别为这1000个用户添加业务标记;然后依次将1000个用户的特征信息和对应的业务标记,分别输入逻辑回归模型中对该逻辑回归模型进行训练,得到目标模型。根据该目标模型可确定目标用户为300个,则视频播放平台向这个300个用户推送该广告视频,而针对其他700个用户可推送其他的广告视频,也可不推送广告视频,进而节约了视频播放网站的资源。
本发明实施例依据所述视频播放平台中的用户信息和业务对象日志,提取用户的特征信息,以及依据所述业务对象日志为用户添加业务标记;进而采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;然后再依据所述目标模型确定目标用户,并向所述目标用户推送所述业务对象。本发明实施例依据视频播放平台中用户的特征信息和对应的业务标记得到目标模型,进而采用目标模型匹配出用于推送业务对象的目标用户,提高了推送业务对象的准确性,节约了资源。
本发明的另一个实施例中,可依据业务对象日志,确定用户观看业务的次数,和用户播放业务对象的次数,进而可依据两者的比值为用户添加对应的业务标记。
参照图2,示出了本发明的另一种推送方法实施例的步骤流程图,具体可以包括如下步骤:
步骤201、依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息。
本发明实施例还可预先按照需求确定需要提取特征信息的特征,例如,按照特征与业务对象的相关度,确定是否提取任一特征的特征信息,例如可将与业务对象相关度高的前M个特征,确定为需要提取特征信息的特征;如用户观看业务对象的次数、用户喜爱的视频类型等等。当然也可以提取用户信息和业务对象日志中所有特征的特征值,以提高确定目标模型的准确性;其中,提取的特征数量越多,确定目标用户的确定性越高。然后可从用户信息和业务对象日志中,查找需要提取特征信息的特征,并提取这些特征的值,将提取的值作为特征信息,即一个用户可对应多个特征信息。
在获取各用户的特征信息后,还需为用户添加业务标记,本发明实施例可依据业务对象日志为用户添加业务标记,具体如下:
步骤202、依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数;以及获取预设时间段内用户观看所述业务对象的第二次数。
本发明实施例中,可依据各用户对应的业务对象日志,确定各用户对应观看业务对象的情况,具体可根据用户观看业务对象的次数,和,用户播放业务对象的次数,确定用户观看业务对象的情况。其中,所述业务对象在用户终端上被打开后,即可确定用户播放了该业务对象;若该业务对象的播放时长达到预设时长,则确定用户观看了该业务对象,其中,所述预设时长可按照需求设置如30s。因此,可从所述业务对象日志中,获取预设时间段内用户播放所述业务对象的第一次数,和,预设时间段内用户观看所述业务对象的第二次数;其中,所述预设时间段可按照需求设备,如最近7天。然后计算所述第二次数和第一次数的比值,以依据所述比值为用户添加对应的样本标记,具体如下:
步骤203、判断所述第二次数与第一次数的比值是否超过阈值。
然后判断所述第二次数与第一次数的比值是否超过阈值,若所述比值超过阈值,则执行步骤204;若所述比值未超过预设,则执行步骤205。其中,所述阈值可按照需求设置,如80%。
本发明实施例中,所业务标记可以是字符串如“高”、“低”,也可以是数值,如“1”、“0”,其中,所述业务标记包括正样本标记和负样本标记,所述正样本标记和负样本标记是不同的字符串,或,不同的数值。
步骤204、为用户添加正样本标记。
若确定所述比值超过阈值,则为用户添加正样本标记,如:“高”、“1”。
步骤205、为用户添加负样本标记。
若确定所述比值未超过阈值,则为用户添加负样本标记,如:“低”、“0”。
步骤206、依据预设规则对各用户的特征信息和对应的业务标记进行处理。
步骤207、将各用户处理后的特征信息和对应的业务标记分别输入至逻辑回归模型中,得到各用户对应的逻辑回归模型。
步骤208、依据各用户对应的逻辑回归模型,获取目标模型。
本发明实施例中,可依次将各用户的特征信息和对应的业务标记输入至逻辑回归模型中,进而对所述逻辑回归模型进行训练,以获取目标模型。其中,所述逻辑回归模型对应的表达式是:
Y=A1*X1+A2*X2+A3*X3+......+AN*XN
其中,Y表示概率,X1、X2、X3……XN是特征值,A1、A2、A3……AN是特征值的权重,N的大小依据提取的特征信息的数量,和,特征对应所有的特征信息离散后的数量确定。
本发明实施例中,所述逻辑回归模型是用于表征特征与概率两者之间的关系的,在对逻辑回归模型进行训练时,所述Y可用于表示发生某事件的实际概率,如用户观看业务对象的实际概率,表达式的等于号右侧的多项式可用于计算的概率是预测概率,可通过令预设概率越等于实际概率,计算各特征值的权重。
本发明实施例在采用逻辑回归模型进行训练之前,可对各特征对应的取值范围进行离散化处理,即每个离散化的值对应一个特征信息,然后将每个特征信息作为一个维度,将特征信息的值作为该维度的元素值,进而得到特征对应的特征矩阵。例如:针对年龄这个特征,包含的特征信息为0~99,则可将年龄这个特征离散为100个值,即特征年龄对应维度为100的特征矩阵,其中,每个维度对应的元素值为年龄值;又例如针对性别特征,对应两个特征信息:男和女,即特征性别是维度为2的特征矩阵。然后分别将各特征矩阵的各维度与上述表达式中各特征值XN对应,确定特征信息与逻辑回归模型中特征值XN的映射关系。例如,对于年龄的特征矩阵,与逻辑回归模型中X1-X100依次对应,即该矩阵中第一个维度对应X1、第二个维度对应X2……第100个维度对应X100,其中,X1的值是第一个维度的元素值,X2的值是第二个维度的元素值,…….,X100的值是第100个维度的元素值。
本发明实施例中,所述预设规则包括特征信息对应的规则和业务标记对应的规则,所述预设规则可按照需求设置;在提取用户的特征信息后,可按照特征信息对应的规则对特征信息进行相应的处理,具体的,可依据用户的特征信息和特征矩阵,确定各特征信息对应的信息矩阵;即针对每个特征信息,确定该特征信息对应的特征,进而确定该特征信息对应的特征矩阵;然后查找该特征信息在特征矩阵中的位置,将该特征矩阵中该位置元素值置为1,其他位置元素值置为0,进而得到特征信息对应的信息矩阵,所述信息矩阵中只有一个维度的元素值为1,其他维度的元素值均为0;例如,年龄对应100维度的行向量,若用户的年龄为20,则将第21列的元素值置为1,将其他列的元素值置为0。本发明实施例中,所述业务标记是用于表征用户观看业务对象的实际概率的,即用户的业务标记与逻辑回归模型对应表达式中Y对应;若所述业务标记是字符串,或是大于1的数值,则可按照业务标记对应的规则将用户的业务标记映射为在0~1范围内的概率值,例如,正样本标记“高”,映射的数值为“1”,负样本标记“低”,映射的数值为“0”。
在进行逻辑回归模型训练时,依据特征矩阵的维度与逻辑回归模型中XN的映射关系,依次将用户的各信息矩阵中的元素值,赋给所述逻辑回归模型对应的特征值,即X1-XN的值;以及可将用户的业务标记映射后的数值作为逻辑回归模型中参数Y的值。例如,若提取特征信息的特征只包括年龄和性别,用户的年龄为20,性别为女,则提取特征信息为:20、女,则将X0-X19、X21-X100的值均为0,X20的值为1,将X101的值为0,X102的值为1;用户的业务标记为正样本标记,可将Y设置为1,则将该用户的逻辑回归模型对应的表达式为:1≈A20+A102。进而将各用户处理后的特征信息和对应的业务标记,分别输入至逻辑回归模型中,可得到各用户对应的逻辑回归模型,即得到各用户对应逻辑回归模型对应的表达式,从而根据各用户对应的表达式确定各特征值的权重,即确定A1-AN的值。可将AN的值设置为BN,进而得到的目标模型对应的表达式为:
Y=B1*X1+B2*X2+B3*X3+......+BN*XN
其中,B1-BN均为已知数。
从而可依据所述目标模型计算各用户观看所述业务对象的概率,并依据所述概率确定目标用户;具体如下:
步骤209、依次将各用户的特征信息输入至所述目标模型中,计算各用户观看所述业务对象的概率。
步骤210、依据所述概率对所述视频播放平台用户进行排序。
步骤211、将概率最大的前N位所述视频播放平台用户设置为目标用户。
按照上述对逻辑回归模型的训练方法,针对每个用户,将用户的各特征信息对应的信息矩阵的元素值,输入至目标模型中,确定目标模型中特征值X1-XN的值;由于目标模型中X1-XN对应的权重是已知的,则可计算每个用户观看业务对象的概率。例如,若用户是20岁的女性用户,且B10=0.5、B102=0.2,则该用户的概率=Y=0.5*X20+0.2*X102=0.7。
计算出所述视频播放平台各用户的观看业务对象的概率后,依据所述概率对用户进行排序,所述排序的方法包括多种如升序、降序;然后查找出概率最大的前N位用户,并将概率最大的前N为用户确定为目标用户。
步骤212、向所述目标用户推送所述业务对象。
然后向目标用户推送所述业务对象。
本发明实施例中,可针对所述视频播放平台的每个业务对象,生成对应的目标模型,进而确定各业务对象对应的目标用户;其中,不同业务对象可能存在相同的目标用户,也可能存在不同的目标用户。
本发明实施例中,在为用户添加业务标记时,依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数,以及获取预设时间段内用户观看所述业务对象的第二次数,判断所述第二次数与第一次数的比值是否超过阈值;若超过,则为用户添加正样本标记,若未超过,则为用户添加负样本标记;即根据用户观看业务对象的数量占播放业务对象数量的比值,为用户添加业务标记,提高了样本标记的准确度,从而进一步提高了推送业务对象的准确性;此外,还将概率最大的前N位所述视频播放平台用户确定为目标用户,即将前N个最可能观看业务对象的用户确定为目标用户,也提高了推送业务对象的准确性。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图3,示出了本发明的一种推送装置实施例的结构框图,用以保证上述推送方法的实施,所述装置具体包括:提取模块301、添加模块302、训练模块303和获取模块304,其中,
提取模块301,用于依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息;
添加模块302,用于依据所述业务对象日志为用户添加业务标记;
训练模块303,用于采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;
获取模块304,用于依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。
参照图4,示出了本发明的另一种推送装置实施例的结构框图;具体如下:
在本发明的另一个实施例中,所述业务标记包括正样本标记和负样本标记,所述添加模块302,具体用于依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数;以及获取预设时间段内用户观看所述业务对象的第二次数;判断所述第二次数与第一次数的比值是否超过阈值;若超过,则为用户添加正样本标记;若未超过,则为用户添加负样本标记。
在本发明的另一个实施例中,所述获取模块304包括:计算子模块3041和用户确定子模块3042,其中,
计算子模块3041,用于依次将各用户的特征信息输入至所述目标模型中,计算各用户观看所述业务对象的概率;
用户获取子模块3042,用于依据各用户观看所述业务对象的概率,获取目标用户。
在本发明的另一个实施例中,所述用户获取子模块3042,具体用于依据所述概率对所述视频播放平台的用户进行排序;将概率最大的前N位所述视频播放平台的用户设置为目标用户。
在本发明的另一个实施例中,所述训练模块303,具体用户依据预设规则对各用户的特征信息和对应的业务标记进行处理;将各用户处理后的特征信息和对应的业务标记分别输入至逻辑回归模型中,得到各用户对应的逻辑回归模型;依据各用户对应的逻辑回归模型,确定目标模型。
本发明实施例依据所述视频播放平台中的用户信息和业务对象日志,提取用户的特征信息,以及依据所述业务对象日志为用户添加业务标记;进而采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;然后再依据所述目标模型确定目标用户,并向所述目标用户推送所述业务对象。本发明实施例依据视频播放平台中用户的特征信息和对应的业务标记得到目标模型,进而采用目标模型匹配出用于推送业务对象的目标用户,提高了推送业务对象的准确性,节约了资源。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图5是本申请根据一示例性实施例示出的一种用于推送的电子设备500的结构示意图。该电子设备500可以是服务器,该服务器可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)522(例如,一个或一个以上处理器)和存储器532,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器522可以设置为与存储介质530通信,在服务器上执行存储介质530中的一系列指令操作。
服务器还可以包括一个或一个以上电源526,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,一个或一个以上键盘556,和/或,一个或一个以上操作系统541,例如Windows Server TM,MacOS XTM,Unix TM,Linux TM,FreeBSD TM等等。
在示例性实施例中,服务器经配置以由一个或者一个以上中央处理器522执行一个或者一个以上程序包含用于进行以下操作的指令:依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息;依据所述业务对象日志为用户添加业务标记;采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。
可选地,所述业务标记包括正样本标记和负样本标记,依据所述业务对象日志为用户添加业务标记的步骤,包括:依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数;以及获取预设时间段内用户观看所述业务对象的第二次数;判断所述第二次数与第一次数的比值是否超过阈值;若超过,则为用户添加正样本标记;若未超过,则为用户添加负样本标记。
可选地,依据所述目标模型确定目标用户的步骤,包括:依次将各用户的特征信息输入至所述目标模型中,计算各用户观看所述业务对象的概率;依据各用户观看所述业务对象的概率获取目标用户。
可选地,依据各用户观看所述业务对象的概率确定目标用户的步骤,包括:依据所述概率对所述视频播放平台的用户进行排序;将概率最大的前N位所述视频播放平台的用户设置为目标用户。
可选地,采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型的步骤,包括:依据预设规则对各用户的特征信息和对应的业务标记进行处理;将各用户处理后的特征信息和对应的业务标记分别输入至逻辑回归模型中,得到各用户对应的逻辑回归模型;依据各用户对应的逻辑回归模型,获取目标模型。
本发明实施例依据所述视频播放平台中的用户信息和业务对象日志,提取用户的特征信息,以及依据所述业务对象日志为用户添加业务标记;进而采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;然后再依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。本发明实施例依据视频播放平台中用户的特征信息和对应的业务标记得到目标模型,进而采用目标模型匹配出用于推送业务对象的目标用户,提高了推送业务对象的准确性,节约了资源。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种推送方法、装置和一种电子设备,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种推送方法,其特征在于,应用于视频播放平台,包括:
依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息;
依据所述业务对象日志为用户添加业务标记;
采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;
依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。
2.根据权利要求1所述的方法,其特征在于,所述业务标记包括正样本标记和负样本标记,依据所述业务对象日志为用户添加业务标记的步骤,包括:
依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数;
以及获取预设时间段内用户观看所述业务对象的第二次数;
判断所述第二次数与第一次数的比值是否超过阈值;
若超过,则为用户添加正样本标记;
若未超过,则为用户添加负样本标记。
3.根据权利要求1所述的方法,其特征在于,依据所述目标模型获取目标用户的步骤,包括:
依次将各用户的特征信息输入至所述目标模型中,计算各用户观看所述业务对象的概率;
依据各用户观看所述业务对象的概率获取目标用户。
4.根据权利要求3所述的方法,其特征在于,依据各用户观看所述业务对象的概率获取目标用户的步骤,包括:
依据所述概率对所述视频播放平台的用户进行排序;
将概率最大的前N位所述视频播放平台的用户设置为目标用户。
5.根据权利要求1所述的方法,其特征在于,采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型的步骤,包括:
依据预设规则对各用户的特征信息和对应的业务标记进行处理;
将各用户处理后的特征信息和对应的业务标记分别输入至逻辑回归模型中,得到各用户对应的逻辑回归模型;
依据各用户对应的逻辑回归模型,获取目标模型。
6.一种推送装置,其特征在于,应用于视频播放平台,包括:
提取模块,用于依据所述视频播放平台的用户信息和业务对象日志,提取用户的特征信息;
添加模块,用于依据所述业务对象日志为用户添加业务标记;
训练模块,用于采用各用户的特征信息和对应的业务标记对逻辑回归模型进行训练,得到业务对象对应的目标模型;
获取模块,用于依据所述目标模型获取目标用户,并向所述目标用户推送所述业务对象。
7.根据权利要求6所述的装置,其特征在于,所述业务标记包括正样本标记和负样本标记,
所述添加模块,具体用于依据所述业务对象日志,获取预设时间段内用户播放所述业务对象的第一次数;以及获取预设时间段内用户观看所述业务对象的第二次数;判断所述第二次数与第一次数的比值是否超过阈值;若超过,则为用户添加正样本标记;若未超过,则为用户添加负样本标记。
8.根据权利要求6所述的装置,其特征在于,所述获取模块包括:
计算子模块,用于依次将各用户的特征信息输入至所述目标模型中,计算各用户观看所述业务对象的概率;
用户获取子模块,用于依据各用户观看所述业务对象的概率,获取目标用户。
9.根据权利要求8所述的装置,其特征在于,
所述用户获取子模块,具体用于依据所述概率对所述视频播放平台的用户进行排序;将概率最大的前N位所述视频播放平台的用户设置为目标用户。
10.根据权利要求6所述的装置,其特征在于,
所述训练模块,具体用户依据预设规则对各用户的特征信息和对应的业务标记进行处理;将各用户处理后的特征信息和对应的业务标记分别输入至逻辑回归模型中,得到各用户对应的逻辑回归模型;依据各用户对应的逻辑回归模型,获取目标模型。
11.一种电子设备,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1-5中一个或多个所述的推送方法。
12.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-5中一个或多个所述的推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710743259.9A CN107341272A (zh) | 2017-08-25 | 2017-08-25 | 一种推送方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710743259.9A CN107341272A (zh) | 2017-08-25 | 2017-08-25 | 一种推送方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107341272A true CN107341272A (zh) | 2017-11-10 |
Family
ID=60214101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710743259.9A Pending CN107341272A (zh) | 2017-08-25 | 2017-08-25 | 一种推送方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341272A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153863A (zh) * | 2017-12-25 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种视频信息的表示方法及装置 |
CN108460085A (zh) * | 2018-01-19 | 2018-08-28 | 北京奇艺世纪科技有限公司 | 一种基于用户日志的视频搜索排序训练集构建方法及装置 |
CN108848393A (zh) * | 2018-07-26 | 2018-11-20 | 广州酷狗计算机科技有限公司 | 入口展示方法、装置、设备及存储介质 |
CN109145146A (zh) * | 2018-09-07 | 2019-01-04 | 北京奇艺世纪科技有限公司 | 一种数据对象推荐方法、装置及电子设备 |
CN109408670A (zh) * | 2018-10-23 | 2019-03-01 | 聚好看科技股份有限公司 | 基于主题模型的家庭成员属性预测方法、装置及智能终端 |
CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 新闻的潜在用户的确定方法及新闻推送方法 |
CN109919649A (zh) * | 2019-01-11 | 2019-06-21 | 北京腾云天下科技有限公司 | 一种目标用户确定方法、装置、计算设备及介质 |
CN110033294A (zh) * | 2018-01-12 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 一种业务分值的确定方法、业务分值确定装置及介质 |
CN110415023A (zh) * | 2019-07-09 | 2019-11-05 | 日立楼宇技术(广州)有限公司 | 一种电梯广告推荐方法、装置、设备及存储介质 |
CN111008347A (zh) * | 2019-11-25 | 2020-04-14 | 杭州安恒信息技术股份有限公司 | 一种网站识别方法、装置、系统及计算机可读存储介质 |
CN112445916A (zh) * | 2019-08-28 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 业务对象发布方法、实体发布方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
CN105930425A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN106022508A (zh) * | 2016-05-06 | 2016-10-12 | 陈丛威 | 预测线上理财平台的用户邀请好友行为的方法和装置 |
CN106204091A (zh) * | 2015-05-28 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
-
2017
- 2017-08-25 CN CN201710743259.9A patent/CN107341272A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
CN106204091A (zh) * | 2015-05-28 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
CN105930425A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN106022508A (zh) * | 2016-05-06 | 2016-10-12 | 陈丛威 | 预测线上理财平台的用户邀请好友行为的方法和装置 |
CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153863A (zh) * | 2017-12-25 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种视频信息的表示方法及装置 |
CN110033294A (zh) * | 2018-01-12 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 一种业务分值的确定方法、业务分值确定装置及介质 |
CN108460085A (zh) * | 2018-01-19 | 2018-08-28 | 北京奇艺世纪科技有限公司 | 一种基于用户日志的视频搜索排序训练集构建方法及装置 |
CN108848393B (zh) * | 2018-07-26 | 2020-10-27 | 广州酷狗计算机科技有限公司 | 入口展示方法、装置、设备及存储介质 |
CN108848393A (zh) * | 2018-07-26 | 2018-11-20 | 广州酷狗计算机科技有限公司 | 入口展示方法、装置、设备及存储介质 |
CN109145146A (zh) * | 2018-09-07 | 2019-01-04 | 北京奇艺世纪科技有限公司 | 一种数据对象推荐方法、装置及电子设备 |
CN109408670A (zh) * | 2018-10-23 | 2019-03-01 | 聚好看科技股份有限公司 | 基于主题模型的家庭成员属性预测方法、装置及智能终端 |
CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 新闻的潜在用户的确定方法及新闻推送方法 |
CN109684554B (zh) * | 2018-12-26 | 2021-07-20 | 腾讯科技(深圳)有限公司 | 新闻的潜在用户的确定方法及新闻推送方法 |
CN109919649A (zh) * | 2019-01-11 | 2019-06-21 | 北京腾云天下科技有限公司 | 一种目标用户确定方法、装置、计算设备及介质 |
CN110415023A (zh) * | 2019-07-09 | 2019-11-05 | 日立楼宇技术(广州)有限公司 | 一种电梯广告推荐方法、装置、设备及存储介质 |
CN112445916A (zh) * | 2019-08-28 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 业务对象发布方法、实体发布方法及装置 |
CN111008347A (zh) * | 2019-11-25 | 2020-04-14 | 杭州安恒信息技术股份有限公司 | 一种网站识别方法、装置、系统及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341272A (zh) | 一种推送方法、装置和电子设备 | |
CN109819284B (zh) | 一种短视频推荐方法、装置、计算机设备及存储介质 | |
CN110781391B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
AU2014201827B2 (en) | Scoring concept terms using a deep network | |
US9430532B2 (en) | Media content rankings for discovery of novel content | |
CN109657138A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
EP4083857A1 (en) | Information prediction model training method and apparatus, information prediction method and apparatus, storage medium, and device | |
CA3150500C (en) | Uploader matching method and device | |
CN110717099B (zh) | 一种推荐影片的方法及终端 | |
CN106126524B (zh) | 信息推送方法和装置 | |
CN106649316A (zh) | 一种视频推送方法及装置 | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN110019943A (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN105045859A (zh) | 一种智能设备的用户特征分析方法及装置 | |
CN110781377B (zh) | 一种文章推荐方法、装置 | |
CN111400586A (zh) | 群组展示方法、终端、服务器、系统及存储介质 | |
CN106445954A (zh) | 一种业务对象的展示方法和装置 | |
CN114707074A (zh) | 一种内容推荐方法、设备和系统 | |
CN111460290A (zh) | 信息的推荐方法、装置、设备和存储介质 | |
CN111612588A (zh) | 商品呈现方法及装置、计算设备、计算机可读存储介质 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
US20190050890A1 (en) | Video dotting placement analysis system, analysis method and storage medium | |
CN112182281B (zh) | 一种音频推荐方法、装置及存储介质 | |
CN109493138A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN107707940A (zh) | 视频排序方法、装置、服务器及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171110 |
|
RJ01 | Rejection of invention patent application after publication |